PulseAugur
中
实时 08:58:21
English(EN) Active Learning with Foundation Model Priors: Efficient Learning under Class Imbalance

新的主动学习框架利用基础模型解决类别不平衡数据问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的主动学习框架，旨在提高模型在类别分布不平衡和标注有噪声的数据集上的性能。该方法利用基础模型的先验知识，在大型基础模型和小型模型之间做出明智的决策，从而有效地解决了图像和文本域中的标签噪声和类别不平衡问题。实验表明，与现有基线方法相比，该方法在保持性能和鲁棒性的同时，可节省超过 50% 的标注成本。 AI

影响 这种新的主动学习方法可以显著降低标注成本，并提高模型在现实世界中类别不平衡数据集上的准确性。

排序理由 该集群包含一篇详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Jiancheng Zhang, Meiqing Li, Qi Zhang, Yinglun Zhu ·

    基于基础模型的先验知识的主动学习：类别不平衡下的高效学习

    arXiv:2606.07630v1 Announce Type: cross Abstract: Real-world datasets across image and text domains are often characterized by skewed class distributions and noisy annotations, which jointly degrade model performance, particularly on minority classes. Among existing solutions, ac…

相关实体

相关话题